— перемещение стрелками ↑/↓
Sales Calls Analytics Dashboard
Streamlit-дашборд ИИ-обзвона на 16 891 синтетическом звонке: 4-шаговая воронка (приветствие → оффер → встреча → квалификация), разбор утечки по типам и drill-down в транскрипты.
PythonStreamlitpandas
Эффект: 16 891 синтетический звонок, разметка детерминированная (маркеры скрипта), 4-шаговая воронка: приветствие → оффер → встреча → квалификация, Главная утечка разбирается по типам (молчание / сброс / отказ) + взвешенная потеря контактов, Вовлечённость по часам и дням недели — когда звонить, Хук под LLM-разметку реакций (llm_labels.csv) — пайплайн воспроизводим и без него
— перемещение стрелками ↑/↓
SQL Analytics Case Study
25 SQL-кейсов на синтетическом датасете (~183k событий): воронка, retention, LTV, атрибуция, аномалии. Запуск на DuckDB одной командой, живой отчёт на GitHub Pages.
SQLDuckDBPythonpandas / NumPypytest
Эффект: 25 self-contained SQL cases (funnel → RFM), DuckDB — no server, no credentials, one command, Regression tests with deterministic invariants per case, Synthetic deterministic data (seed=42 + additive seed=43), Live interactive report on GitHub Pages
— перемещение стрелками ↑/↓
RFM Analysis of Bank Clients
Разбил клиентскую базу банка на 4 RFM-сегмента и показал, что малая доля high-value приносит основную выручку. Маркетинг перешёл от массовых рассылок к сегментированным сценариям.
PythonSQLTableau
Эффект: Identified high-value customer segments, Optimized marketing campaigns, Improved retention efficiency
— перемещение стрелками ↑/↓
Cohort Analysis Dashboard
Треугольная когортная матрица удержания и LTV на синтетических данных: ARPU и LTV по когортам с поправкой на observation age, выгрузка в Tableau (CSV + Hyper).
Pythonpandasmatplotlib / seabornJupyter NotebookTableau (Hyper API)
Эффект: Cohort retention matrix with triangular decay, ARPU / LTV by cohort with proper observation-age caveat, Tableau-ready export (CSV + .hyper extract), Reproducible seeded pipeline (seed=42)
— перемещение стрелками ↑/↓
Churn Prediction — Leakage-Free Retention Model
Leakage-free churn-модель: recall@top-10% = 0.53 и lift 3,07× при ROC-AUC 0.904 на хронологическом сплите — без утечки будущей активности в признаки.
PythonLightGBMscikit-learnpandas / NumPymatplotlibpytestuv
Эффект: Chronological snapshot split (train/val/test) — no future activity leaks into training, Churn label = a future 30-day inactivity window for recently active users only, Decision metric recall@top-10% = 0.53, lift@top-10% = 3.07x, LightGBM Brier 0.068 vs 0.099 for the balanced logistic baseline
— перемещение стрелками ↑/↓
Python Analytics Playground
Модульный Python-тулкит для аналитики — загрузка, чистка, EDA, визуализация — собранный в один пайплайн с покрытием pytest ≥80%. База, которую я копирую в каждый новый анализ.
Pythonpandas / NumPyMatplotlibpytestuv
Эффект: Modular load / clean / EDA / viz / pipeline modules with pytest coverage ≥80%, Single end-to-end pipeline runnable as `python -m python_analytics`, Requirements traced to a PRD (REQ-002 … REQ-006), tests tied to requirements, uv + ruff tooling, synthetic data for demo runs